[en] MACHINE LEARNING FORECASTS OF EU ETS CARBON PRICES WITH ECONOMIC, FINANCIAL, AND POLICY UNCERTAINTY VARIABLES

[pt] PREVISÕES COM APRENDIZADO DE MÁQUINA DOS PREÇOS DE CARBONO DO EU ETS COM VARIÁVEIS DE INCERTEZA ECONÔMICA, FINANCEIRA E POLÍTICA

[pt] VICTOR GOULART OREIRO

[pt] PREVISAO DE SERIES TEMPORAIS

[pt] SISTEMA DE COMERCIO DE EMISSOES DA UNIAO EUROPEIA

[pt] SELECAO DE VARIAVEIS VIA LASSO

[pt] INCERTEZA GEOPOLITICA

[pt] APRENDIZADO DE MAQUINA

[en] TIME SERIES FORECASTING

[en] EUROPEAN UNION EMISSIONS TRADING SYSTEM

[en] VARIABLE SELECTION VIA LASSO

[en] GEOPOLITICAL UNCERTAINTY

[en] MACHINE LEARNING

[pt] Esta dissertação analisa um índice do preço do carbono negociado no EU ETS. Por meio da aplicação de diversos modelos, foram exploradas abordagens econométricas tradicionais, aprendizado de máquina, e aprendizado profundo. O estudo utilizou um conjunto abrangente de variáveis, incluindo indicadores econômicos e financeiros tradicionais, bem como medidas alternativas relacionadas à incerteza política, econômica e regulatória. Para evitar o risco de sobreajuste e aprimorar a seleção de variáveis, foi aplicada a técnica de regularização LASSO. Além de permitir a redução de dimensionalidade, o LASSO ofereceu insights sobre os fatores que influenciam a formação dos preços de carbono. Entre as variáveis de incerteza selecionadas, destacaram-se o índice de Incerteza de Política Econômica do Reino Unido e o Índice de Risco de Transição Climática, ambos com relevância na explicação da dinâmica do índice SeP Carbon Credit EUA index. A seleção de variáveis via LASSO resultou em ganhos significativos de desempenho nos testes fora da amostra, reduzindo o sobreajuste e melhorando a capacidade de generalização dos modelos. A consistência dos resultados foi confirmada por meio de validação cruzada para séries temporais e pelo teste de Diebold-Mariano, que verificou a existência de diferenças estatisticamente significativas no desempenho dos modelos. Os resultados evidenciam o potencial de indicadores alternativos de incerteza e de métodos de aprendizado de máquina na previsão de preços de ativos ambientais, apresentando desempenho preditivo superior, em diversos cenários de validação, quando comparado ao modelo univariado ARIMA, segundo as métricas, testes e estratégias de validação utilizados.

[en] This dissertation analyzes an index representing the price of carbon traded in the European Union Emissions Trading System (EU ETS). By applying a variety of models, traditional econometric approaches (ARIMA), Machine Learning (CatBoost and Random Forest), and Deep Learning techniques (LSTM) were explored. The study utilized a comprehensive set of variables, encompassing traditional economic and financial indicators, as well as alternatives measures related to political, economic, and policy uncertainty. To avoid the risk of overfitting and to improve variable selection, the LASSO regularization technique was applied. In addition to selecting variables to reduce dimensionality, LASSO provided insights into the factors influencing carbon price formation. Among the selected uncertainty variables, the UK Economic Policy Uncertainty and the Climate Transition Risk Index (a proxy for perceived climate policy transition risk) stood out, showing relevance in explaining the dynamics of the SandP Carbon Credit EUA Index. Variable selection via LASSO yielded significant performance gains in out-of-sample tests, reducing overfitting and enhancing the models generalization capabilities. The consistency of the results was confirmed through time series adequate cross-validation and the Diebold-Mariano test, which verified whether there was a statistically significant difference between the performance of the models. The findings highlight the potential of alternative uncertainty indicators and machine learning methods for forecasting environmental asset prices, showing superior predictive performance in several key validation settings compared to the univariate ARIMA model under the metrics, tests, and validation strategies used.

MARCELO CABUS KLOTZLE

MARCELO CABUS KLOTZLE

CARLOS DE LAMARE BASTIAN PINTO

PETER FERNANDES WANKE

2025-06-05

2025-04-25

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70759@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70759@2

https://doi.org/10.17771/PUCRio.acad.70759